深度学习中向量化与非向量化计算的差别

使用向量化(Vectorization)计算,速度是非向量化(non-Vectorization)计算的300倍,因为向量化计算使用了python的内建函数,调用了CPU/GPU的SIMD指令集进行计算,大大减少了因为python高级语言执行损耗的时间。
以下这个案例演示了两种计算之间的差别:

# -*- coding:utf-8 -*-
import numpy as np
import time

# 创建矩阵
a = np.random.rand(1000000)
b = np.random.rand(1000000)

# 向量法计算矩阵
tic = time.time()
c = np.dot(a,b)
toc = time.time()

print("c的值为:")
print(c)
print("向量方法实现矩阵计算,花费时间:" + str((toc-tic)*1000) + "ms")

# 非向量法计算矩阵
c = 0
tic = time.time()
for i in range(1000000):
    c += a[i]*b[i]

toc = time.time()

print("c的值为:")
print(c)
print("非向量方法实现矩阵计算,花费时间:" + str((toc-tic)*1000) + "ms")
"""输出"""
# c的值为:
# 250003.396789
# 向量方法实现矩阵计算,花费时间:1.085042953491211ms
# c的值为:
# 250003.396789
# 非向量方法实现矩阵计算,花费时间:473.3278751373291ms

代码来源:神经网络和深度学习-吴恩达 Andrew Ng

发布了14 篇原创文章 · 获赞 8 · 访问量 9万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 技术黑板 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览